Moshi CEO Anekha Sokhal 谈为大宗商品交易员打造推荐引擎
Moshi 正在为大宗商品交易员构建推荐引擎，把市场信息与交易员持仓组合真正相关的部分连接起来。CEO Anekha Sokhal 在 AI Engineer New York 与 swyx 对谈，称 Moshi 像是 Bloomberg、Claude 和 Netflix 的结合体：市场数据、操作界面加上针对交易员的推荐。她还谈到可信来源、文档提取以及自建还是采购模型等问题。
Latent Space· Latent.Space·2026-10-22 22:03· 1 小时前AI 评分32
面向大宗商品交易员的推荐引擎 — Anekha Sokhal，Moshi
AI 导读
Moshi 正在为大宗商品交易员构建推荐引擎，把市场信息与交易员持仓组合真正相关的部分连接起来。CEO Anekha Sokhal 在 AI Engineer New York 与 swyx 对谈，称 Moshi 像是 Bloomberg、Claude 和 Netflix 的结合体：市场数据、操作界面加上针对交易员的推荐。
正文 · 原文
当 Anekha Sokhal 从事能源衍生品交易时，紧跟市场意味着要追踪超过任何人所能阅读的信息量。如今，作为 Moshi 的 CEO，她正在打造自己当年渴望拥有的工具：一个把市场信息与交易员持仓组合真正相关部分连接起来的推荐引擎。
在 AI Engineer New York，Anekha 与 swyx 一起讨论了她从数学和 JPMorgan 到创立 Moshi 的历程，以及为什么有用的 AI 需要契合人们实际工作的方式。她把 Moshi 描述为 Bloomberg、Claude 和 Netflix 结合后可能诞生的产物：市场数据、用于处理这些数据的界面，以及为交易员量身定制的推荐。
他们还谈到了可信来源、文档提取、自建模型还是购买模型，以及那些被告知“你就是团队”的 AI 工程师所承受的压力。Anekha 分享了她在会议上从客户对话中学到的东西，以及为什么见用户要先于招聘。
观看本期节目
节目笔记
Moshi — Anekha 的公司
Anekha Sokhal — 背景与工作
GIQ 研究论文 — 访谈中讨论的研究
Reducto — 文档提取
时间戳
0:00 — AI Engineer New York 与“你就是团队”
0:54 — 认识 Anekha Sokhal
2:09 — 从数学到能源衍生品
3:46 — 富布赖特奖学金与成为创始人
5:45 — Moshi 为交易员做什么
6:10 — 处理海量市场数据
9:03 — Bloomberg 与市场工作流
10:03 — Bloomberg、Claude 和 Netflix
12:03 — 从仪表盘到工作流
15:03 — 可信来源与信号
17:13 — 自建还是购买模型与文档提取
18:20 — AI Engineer New York
20:32 — 客户会议与社区
23:54 — 招聘与与客户交谈
25:55 — swyx 进入 AI 的历程
文字稿
自动生成的文字稿；措辞可能有误。省略了说话人标签。
0:00 所以我实际上延长了在纽约的停留，因为我们，比如现在，我本来今天就要走。我们现在周四有会议，又延了一天，周五，又延了一天，周一。然后现在还有会议，人们说，嘿，我们做能源的，咱们在休斯顿聊聊。所以我们会议结束后的一周都排满了会议。AI 工程师这个活动挺有意思，因为很多人感觉被管理层的压力压得喘不过气。要做什么？因为现在人们说，我们不需要团队，你就是团队。所以就像，嘿，我现在得自己构建整个系统。但那个系统通常是由 10 个人完成的。好了，我们在演播室。这是我为 AIE 做的最后一期播客，嘉宾是来自 Moshi 的 Anekha。欢迎。非常感谢。
1:01 我理解得对吗，Anekha？是的，你说对了。你的背景引起了我的兴趣，因为我以前是一名交易员，而你现在是一名创始人。是的。你还跟我讲了你的经历。我有点想听你亲口说说。据我所知，这是你第一次参加 AIE。你是怎么听说我们的？做演讲的体验如何，之后又发生了什么？好的，首先，感谢 AIE 的每一位，因为这是一次非常棒的体验。也感谢你们邀请我上播客。我很兴奋能分享我的经历。而且，我觉得我们正处在一个发展如此之快的时代，我交谈过的每个人都感到非常不堪重负。所以，能够分享我经历的一切真的很有帮助，因为我本科读的是统计学和数学，也就是现在大家所说的 AI。所以谈论这个及其演变真的很有意思，而且还能和一位前交易员交流。
2:02 也分享一下那些“战斗伤痕”。你学过金融微积分，比如随机微积分吗？是的，我学过。我的本科学位是数学、运筹学、统计学和经济学，在 Warwick 读的 MORSE。当时大家都说，天哪，太书呆子了。我讨厌告诉别人。而现在就像，哇。是啊，大家都说，天哪，机器学习、AI。是啊。然后是衍生品。所以我学过这些。我的背景始于英格兰的 Warwick，然后我知道我想从事交易。我不知道你进入交易行业的故事是什么，但我想要快节奏且与数据相关的工作，我绝对热爱数据。当我读到交易是什么的时候，我无法想象自己从事任何其他职业。所以我就下定决心要做这个。于是我在投资银行和交易领域拿到了第一份实习，然后在 JP Morgan 拿到了实习机会，并在那里开始工作。
3:04 我先在新兴市场交易台工作，然后转到大宗商品，在那里做衍生品交易。所以我职业生涯的大部分时间都在能源衍生品领域。因为我有数据背景，我总是从想要把市场拆解成各个不同部分的角度来看待它。例如，在大宗商品中，很多都关乎基本面、不同的新闻以及不同的实物动态。所以我一直着迷于从零开始构建。所以当我做交易时，我看到了这种转变，就像先是数据，然后某件事将会发生。那就是我离开 JP Morgan 的时候，实际上我想成为一名企业家和创始人。但我想要拥有一家数据公司。所以我拿到了富布赖特奖学金来到美国，因为你们这里有如此不可思议的创业环境。就这么随便地拿到了富布赖特奖学金。
4:06 对，我想想，我讲个有趣的故事吧，我当时在伦敦上瑜伽课。我说，我父母是做珠宝生意的。我在上大学创办自己的公司之前，还兼职做过一个计算机视觉创业项目。所以我就想，哦，珠宝领域有什么问题呢？哦，比如虚拟试戴。于是这就让我想成为一名创始人。我就想，我怎样才能在最适合做创始人的国家成为一名创始人呢？我又想，我想成为一名能谈论技术的创始人。所以那是大概2020、2021年的时候。我发现富布赖特有一个数据奖学金，全英国只给一个名额。所以我就想，我去那里的途径就是富布赖特奖学金，而他们只给一个名额。这真的很好笑，因为我不知道你还记不记得2020年新冠疫情的时候，天然气市场疯狂波动。所以当时天然气市场出现了疯狂的
5:06 波动。所以当我参加富布赖特面试时，他们问我，你怎么看，你怎么看未来？我就谈到了这个全球性问题，即每个人都面临能源市场危机，以及数据与此的关系。每个人都能对我说的产生共鸣，因为天然气价格疯狂上涨。他们的电费也疯狂上涨。于是这就把我带到了美国，来到这里，深入从事机器学习研究，与Stability AI一起在ICLR上发表论文，与NASA合作，做了很多很多非常有趣的工作，这后来让我创办了Moshi。那Moshi是什么？Moshi，我们正在打造一个我交易时希望拥有的程序。我们所做的是为金融交易员提供实时洞察，从大宗商品和能源市场以及宏观市场开始。我们所做的是处理比人力所及多得多的数据，告诉你现在所有对你的投资组合重要的事情
6:09。你们会处理什么样的数据，能让我们大致了解类型和数量级吗？类型和数量级。那我先从数量级说起。我向人们解释的一个有趣方式是，我向你说这句话需要四秒钟。在同样的时间里，Moshi已经学习了300件新事物。这就是我们处理的数据量级。就数据类型而言，这很大程度上源于我对如何交易的痴迷。我会把市场拆分成交易员用来决定进行什么交易以及如何管理风险的所有不同类型的数据。所以我所做的是把市场拿来，然后说，嗯，有结构化数据和非结构化数据。有期货市场的时间序列，以及围绕它的所有技术分析。所以我们关注所有这些，比如统计指标、所有不同的技术指标、所有移动平均线。
7:11 这是一个数据集。显然它在不断更新。我们接下来看的数据集是基本面市场的时间序列。所以特别是在一些大宗商品市场，有大量的需求和供给。然后我们看非结构化数据。新闻是最明显的一个。但还有所有这些存在的另类数据。例如，有 X 数据。有播客上的音频数据。X Twitter。X Twitter，是的。你读 Twitter。好的。所以理解所有这些不同类型的数据。我认为这就是数据的公开可用性。还有这另一整类数据，即用户的私有数据。所以我确信你在交易时也有这种情况，就是你有你在意的分析师。我不能跑来告诉你，嘿，你应该，你知道，读这个人，因为你有你需要的人。然后你会有你在意的订阅。你会有你的内部数据，对吧？
8:11 比如我们交谈过的一些公司，如果他们在交易市场，交易能源市场，他们会有专门的人负责通过霍尔木兹海峡的 LNG 船只数量。所以有所有这些对用户来说私有的数据。所以我们把这两个数据点放在一起，做所有的数据清洗、数据转换。然后我们看统计和机器学习，打标签，在上面创建我们整个本体。然后我们把它放进 Moshi，像 n 维图。然后我们产出输出，也就是一个把数据推送给你的软件。所以每次你打开 Moshi，你会看到与你的投资组合相关的新东西。而且你可以拉取数据。所以 LLM，我将在 30 秒内给你答案，而这通常要花你几天。所以人们经常说新 Bloomberg，还是这是你不同意的？你不喜欢被描述为新 Bloomberg？是的，这是个有趣的问题。
9:13 因为显然那是 800 磅的大猩猩，或者 800 磅大猩猩的英式说法是什么来着。是的，你知道，我认为 Bloomberg 有某些功能，其中 Bloomberg 聊天，它是平台的一个极好的方面。是的，对于那些不知道的人，交易员会在聊天中交易数十亿美元。而且有一个标准化的公式。我进入 NLP 的入口实际上是把 Bloomberg 聊天解析成我日志的结构化定价表。那就是我们做期权定价的方式。是的，有 Bloomberg 聊天，这是一回事。我不会说我们是新 Bloomberg。我会说我们是另一种类型的软件，不是。我认为这是最简单的说法。我不知道这有多大争议。但如果 Bloomberg 和 Claude 和 Netflix 生了个孩子。Netflix。那会是 Moshi。你们有视频？Netflix。
10:14 我们实际上有一个推荐系统，是我们在内部构建的，如果你是一个交易员，你正在关注某件事，你实际上现在关心的是二阶和三阶导数，而这些你不会立刻知道。我明白了。所以我们构建了一整套推荐系统，一个简单的例子，如果我们把它带回石油交易员，有一家能源股票公司正在做某件事，会间接影响石油，你需要立刻知道这一点。你不会从新闻流中得到这个。你会从一个连接图中得到，它会向你展示这一点。因为如果这两个信息点现在同时出现，你唯一能做到的方式要么是人，能够把这两者连接起来，要么是模仿人的推荐系统，能够做到这一点。但这就是我们试图做的，因为我希望我交易时能有这个。是的。嗯，你知道，Netflix 有一种成瘾性元素，这是不好的。
11:15 确实有。但是的，这非常有趣。我认为 RecSys 是 AI 最重要的部分之一。作为 AIEs 的策展人，我实际上每年都有一个 LLM RecSys 专题。而工程师们往往没有意识到它有多重要。比如它的参与度并不高，尽管推动这些东西的一些人，我是说，他们为 YouTube 运行 RecSys，为 Netflix 运行 Netflix，为 Instagram 和 TikTok 运行。然后好像没人来。我就想，你什么意思？你对 RecSys 不感兴趣？你知道，我觉得这真的很有趣。我认为部分原因是他们让它看起来太简单了。就像，哦，这太……这是整个公司中最重要的系统。正是如此。我想说，可以说有某种与之相关的东西，我认为一些公司做得非常好，比如 Spotify、Instagram，这是人们用 AI 提出的一件事
12:15 现在每个人都能构建自己的 Claude 仪表板，对吧？就像，嘿，我自己构建了这个。太好了。太好了。如果你想让别人使用它，那就是你的大脑在一个仪表板里，或者你的大脑在某样东西里。试着让一个新的人把它纳入他们的工作流程。你就不再是在处理一个问题。你是在处理一个 UI 问题，即他们如何与之交互？因为有时用户并不总是使用那个。这些平台做得非常好的一件事是它们把数据推给你，这会吸引你。所以你自然甚至没有意识到你在平台上，你会想，哦，我想要那个。不，不，我实际上想要那个。所以我们作为一家公司一直在内部试图理解 UI 与推荐系统的关系？因为我们的论点是，如果你解决了一个，你自然也在解决另一个。我认为这是现在的一件大事，即如果每个人都在构建软件，你如何让它真正成为人们会使用的软件？这是一个有点有趣的看法。
13:19 是的，有点先有鸡还是先有蛋的问题。好吧，不管怎样，我忘了提一下我在这方面的背景。其实我以前在伦敦做外汇期权交易。然后我在利率方面也待过一段时间。职业路径非常相似，你先从 EMEA 开始，然后可能进入 G10。是的。至少外汇领域我们是这么叫的。你要吸收大量信息，而 LLM 可能确实能更好地处理这些信息。所以我 10 年前做这个的时候还没有这些工具。但现在我看到了。后来我转到了买方，开始像你一样为另类数据付费。在 Balyasny，我们其实是最早做 X fire hose 或 Twitter fire hose 的少数几家之一。是的。那东西贵得离谱，每月大概 30 万美元的数据费用，你得付钱才能拿到所有推文。以前是免费的。然后你还要对它们进行解析。
14:19 我不认为——我不知道它是否曾经免费过。对研究者是免费的。好吧。但如果你是像对冲基金这样的机构，你就得买。而且它非常嘈杂。所以我的眼睛会往上翻，因为我不知道自己会不会基于这些东西交易，因为有时候人们就是随便胡说八道。有时候人们还试图通过放话来操纵市场。而这其实没那么重要。但我们也会用卫星信息或信用卡信息之类的另类数据。所以在买方，我的头号问题是：你在看我的数据吗？大概没有。但你怎么让人放心？你怎么和那些你甚至不一定看得见的系统集成？是的。我觉得这里面有两个问题，第一个是，如果有那么多数据可用，你怎么知道什么重要？所以当我们看 X 数据时，当我们和人交谈时，这自然就成了一个话题，或者我们甚至可以把它扩展到任何类型的数据。
15:20 我们在与人打交道时发现的一件事是，他们确实会有自己信任的人，会关注这些行业声音，尤其是在大宗商品领域。会有大宗商品供应商。会有 LNG，所有这些设施都会在上面活跃，因为这也是他们发布状态更新的最快方式。哇。所以这很有意思，因为我们发现很多用户会告诉我们这一点。所以就像，哦，好吧，所以你把它当作可信来源，因为你相信某个特定的人。有点可疑。对吧。所以这是那种我们已经找到办法尽量过滤掉的事情之一。但当我们向某人展示时，我们会给出一个置信度评分，就是说，好吧，有人在说这件事，但这是围绕这段对话发生的其他一切。因为对人们来说有趣的是，是否存在分歧来源，比如一个例子是有多少
16:21 船只在航行，此刻有多少架飞机在我们上方飞过。如果路透社说了什么，或者彭博社说了什么，华尔街日报说了什么，他们可能并不都一致。但他们不一致这件事本身就是一条数据，因为那里是否存在机会？因为没人知道。所以这就是我们试图为人们提供信息的方式。然后第二个问题是，你知道，人们的数据散落在各处。我认为存在不同类型的集成。第一种是关于他们那些杂乱的 PDF 数据？那些数据正是我们构建了一个视觉语言模型来理解的东西。所以我们会接收他们上传到 Moshi 云端版本的数据。然后我们实际去拆解它，再在我们的数据库中重建。还有一些类型的数据，你只能连接到他们的系统。那更像是对话式的。我假设你们是自己运行这个视觉语言模型，拥有它重要吗？还是说你们想外包出去，我的意思是，有无数供应商，Reducto
17:24 就像是一个非文档处理类的。拥有自己的模型相比直接用现成的有多重要？我认为这是很多公司现在正在纠结的问题。对我们来说第一个问题是，如果有人把数据给我们，我们不想把它发给第三方。因为市面上有系统可以帮你做这些事。但你要确保你们有协议，明确他们如何处理这些数据？他们拿它做什么？这是第一个问题。第二个是，如果你没有工程师团队，那是个很好的解决方案。但如果你像我们一样有工程师团队——一个有趣的事实是，团队大多数人都在某种程度上与 NASA 合作过——那他们就想自己构建模型。但不是每个人都有这样的条件。所以，你知道，我认为这真的取决于你作为一个团队所处的位置。是的，明白了。好，然后说到你的演讲，你显然从中收到了很多主动联系。
18:28 这是我们第一次以金融为主题。所以我真的不确定能吸引到谁。显然，我们为这次活动做了大量宣传和推广。你最后都和什么样的人交流了？是的，我们，那是个绝佳的机会，因为我们一直在接连不断地和人交谈。我们最初以为的兴趣点，结果过去一小时里有人在 LinkedIn 上给我发消息说，嘿，我看了你的法庭演讲。你在休斯顿吗？我们能见个面吗？或者嘿，你在纽约吗？我们能见个面吗？我们遇到的人有很多交易员，要么在基金、咨询公司，然后 AI 工程师是个有意思的群体，因为他们很多人感觉被管理层的压力压得喘不过气。去做什么？因为人们现在说，我们不需要团队，你就是团队。所以就像，嘿，我现在得构建这整个系统
19:31 我自己。但那个系统通常需要10个人来完成。所以很多人跟我们聊过，他们说，嘿，我需要搭建一个系统。但是，你知道，我需要一群智能体吗？但然后，如果出问题怎么办？有意思的是，嘿，我搭建了系统。人们告诉我他们需要它。它在他们的邮箱里。没有人，没有人在点击它。但他们抱怨自己有这个问题。就像，我该怎么办？所以那是一个领域。然后是合作伙伴关系。你知道，我们一直在见人，人们说，嘿，你们在做这个。这很有趣，因为我们在做这个。我们之后聊聊吧。所以我实际上延长了在纽约的停留时间，因为我们现在，我本来今天要走。我们现在周四有会议，又延长了一天，周五，又延长了一天，周一。然后我现在有会议，人们说，嘿，我们在能源行业。我们在休斯顿聊吧。所以我们会议结束后一周都排满了会议。天哪。是的。我的团队说，嘿，Anekha，又有人报名了。又有人报名了。所以超级酷。
20:32 做这些一对一的会议有意思吗？我猜是因为他们需要私下问你事情。安排这么多会议似乎非常低效，而你本可以做建立业务或构建产品的事情。是的。我们尽量对人有帮助，我们会先开一次初步会议，但之后我们真的想能够理解你正在解决的问题，然后有一个计划。所以我们现在有一些事情来做流式处理，因为由于我们收到的入站请求量，我们正在举办我们的第一场网络研讨会。我们不能总是做这些一对一的会议。更一般地说，当我在买方时，银行实际上会为我们安排这些会议。是的。他们会来到像这样的小房间。会有一种圆桌会议。我会一次见五个。所以就像我说我是一家公司的CFO，我需要做投资者关系。
21:33 我一次见五个基金，而我会是五个基金之一。我想象我们未来能为你做什么，我还没有，我还没有把这个启动起来，但我们应该在现场做会议。就像你，这有道理。人们看了你的演讲。他们想多和你交流。他们应该能够报名，你可以做五对一。而且可能所有这些问题都完全一样。而且，那实际上是个好主意，因为另一个，因为我们在金融行业曾经这样做，那，那真是个好主意。因为我们有一个，嗯，有时候你也不知道你要见的人长什么样。好吧。所以你在试图拍你所在位置的 pictures。真的吗？就像，嘿，在这里见我，在这里见我，然后给他们打电话。所以这样的想法会很棒。所以就像一个指定的会议室。是的。就像，嘿，就像。我是说，整个楼层都是那样，但我们不得不预先分配给其他演讲者，但是，嗯，我们，我们想做一些动态分配。我只是不知道如何，你知道，让那个运转起来。我正试图和你一起把它填满。所以就像，你不必飞往休斯顿，或者甚至，即使他们在纽约，你甚至不必去他们的办公室。
22:34 大家直接进来，把会议开完就走。我觉得这其实是个很棒的主意。比如给这个人安排一个30分钟的时段，然后让大家报名。就随你便。对。比如更小规模的一对一。这主意太棒了。对。对。呃，我是说，还有别的什么我们……我想我们可以做得更好，或者你在会议上还有其他体验，我觉得这是我参加过组织得最好的会议，不，不，说真的。比如我拿到的那些高质量指南，而且非常清晰，比如演讲者团队、分组讨论室，嗯，演讲者休息室，我感觉休息室从来没这么好过。呃，对。所以剪了头发。我知道。我没做面部护理。我做了面部护理和按摩。对。我知道你剪了头发。我确实剪了头发。对。呃，我，我，我是说，我们确实想吸引演讲者。呃，这次绝对是，呃，超出了预期，这要感谢cognition做了这些。但是，呃，对，我是说，呃，组织是一回事。
23:38 我确实认为就商业价值和效率而言，我认为那是一个重要的，呃，要素。比如我们想把这个，呃，你知道，做成对你们招聘和销售都有用的东西，你知道，我不知道如何平衡这一点，因为，对，你到底，什么对你更重要，招聘还是销售？所以就我们而言，我们刚招完人，也计划继续招，嗯，我们一直在见人，但现在的优先事项是见客户，那是优先事项，不一定是招聘。嗯，因为我认为我们在招聘方面的情况是，我们从LinkedIn持续获得主动投递。真的吗？对。我，我们有一个职位开放。我们不得不关闭它。它开放了四天。我们收到了2500份申请。好的。嗯，所以这本身就很难处理，但见那些想买的人，以及那些，因为我认为有些人有问题，但他们不想买。还有些人有问题并且想买。然后你试图找到那个匹配，那就是，
24:39 我还没找到任何做过这件事的人。嗯，好吧，但我真的很喜欢你这个一对一的主意。对。对。我是说，基本上我，我把我以前作为对冲基金人士的经验转移到这个市场，也就是AI和金融。对。嗯，好吧，我们明年会试着做这个。我们会试着成为那个标杆。嗯，我认为在招聘方面，所以那是买方，那就清楚了。我认为，我认为我肯定能在那里更好地帮助你。呃，在招聘方面，我也想帮助你。对。好的。比如2500太多了，其中大部分是噪音。所以你需要一个更好的筛选机制。我有一个强烈的观点。好的。请讲。还有很多人是以一种隐蔽的方式在做这件事，就像是他们在货比三家，他们在打探。你有这种情况，但你也有那种，比如法律上不允许工作的情况。所以这里面有太多噪音。比如签证，那方面也有太多噪音。所以当我第一次，比如我是第一次创业，当我第一次
25:41 开始了，你不了解那些东西。你不了解类似的市场。对。而且有很多相关的噪音。是的。好的。嗯，我们会，我们会尽量为你提供更高信号的内容。我们想成为一个高信号会议。嗯，我很感激你花时间陪我们，也祝贺你的成功。非常感谢。我很想，我有一个问题，就是你是怎么进入 AI 的。呃，就是，就是决定开始。呃，嗯，我，我离开了，呃，对冲基金界。我转到了科技领域，然后当 AI 浪潮来临时，我意识到我最好非常、非常快地行动，呃，来建立这个领域。而且，嗯，所以我做了 AI 工程帖子，呃，创办了这个，这个会议和媒体相关的东西，因为我，我在骨子里非常是一个媒体人。是的。呃，在我心里。嗯，我确实有点想念交易，但这非常有成就感，因为我可以见到真实的人，而不是整天盯着屏幕。呃，是的，我也有同感。嗯，谢谢。我想我们得走了。非常感谢。谢谢。谢谢。
来源：Latent Space · latent.space
来源：RadarAI · aihot.news